摘要
随着城市化进程的不断推进，水资源的合理利用已成为现代经济、生活以及国家发展的重要基石。作为城市基础设施的核心组成部分，供水管网如同城市的“血管”，承载着向各个领域输送水资源的重任。然而，我国供水管网漏损问题严重，每年造成的水资源损失数量极为庞大，且漏损率远超行业标准。特别是在全国超过400个城镇中尤为显著。这一问题不仅是对宝贵水资源的巨大浪费，更是对居民日常生活、企业正常生产以及国家长期可持续发展的严重威胁。因此，它亟待引起社会各界的广泛关注，并需要采取切实有效的措施加以应对，以确保水资源的合理利用和国家的长治久安。 鉴于城市供水管网系统的庞大复杂性，泄漏等异常事件往往难以被及时发现，这就迫切需要开发出行之有效的检测手段来确保管网的正常运行。本研究从多元时间序列特征的角度出发，深入探讨了供水管网异常检测的新方法。当供水管网发生泄漏等异常事件时，与之相关的多元时间序列数据会随之发生变化，反映出管网运行规律的异常。然而，由于这些数据具有复杂的时间依赖性和周期性，传统的基于数值变化的分析方法往往难以奏效。为此，利用水力模型对实际管网进行仿真研究，深入理解不同工况下的运行状态。同时，采用对比学习的特征提取方法，通过使具有相同结构的数据在特征空间中的表示尽可能接近，并排斥其他类别的数据样本，来学习供水管网时间序列的正常表示，从而准确识别异常事件。 首先，提出了一种名为CTAD（ContrastiveTransformerAnomalyDetection）的基于注意力机制的多分支对比学习异常检测模型。该模型从多元时间序列的局部特征和全局特征两个维度出发，利用局部特征捕捉某一时刻与其周围时间的强相关性，而全局特征则通过注意力机制从时间序列数据中提取关键信息，生成准确的整体序列特征表示。基于观察到在正常时间点全局和局部信息熵均呈现较低水平的特性，本文精心设计了全局与局部编码策略，旨在实现数据增强的功能。为了进一步提升异常数据的可区分性，引入了最大最小化交叉对比任务，从而确保了异常数据在多样化的场景中都能被准确识别。实验证明，CTAD在复杂环境下具有更强的异常检测能力。 此外，还从多元时间序列的潜在趋势性和季节性角度出发，提出了TFAD（TimeFrequencyAnomalyDetection）异常检测方法。该方法通过时域特征提取器捕捉数据的趋势性特征，并利用离散傅里叶变换提取频域特征信息。最终，将时域表示与频域表示相结合，得到重建后的正常样本。实验结果表明，TFAD在泄漏检测领域取得了高检测精度，为城市供水管网的异常检测提供了一种新的有效途径。
NETL